CN117237357B - 一种基于机器视觉的钢丝绳在线监测系统和方法 - Google Patents
一种基于机器视觉的钢丝绳在线监测系统和方法 Download PDFInfo
- Publication number
- CN117237357B CN117237357B CN202311515857.2A CN202311515857A CN117237357B CN 117237357 B CN117237357 B CN 117237357B CN 202311515857 A CN202311515857 A CN 202311515857A CN 117237357 B CN117237357 B CN 117237357B
- Authority
- CN
- China
- Prior art keywords
- wire rope
- steel wire
- weather
- time
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 277
- 239000010959 steel Substances 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 120
- 238000004364 calculation method Methods 0.000 claims description 114
- 230000008859 change Effects 0.000 claims description 70
- 230000007797 corrosion Effects 0.000 claims description 53
- 238000005260 corrosion Methods 0.000 claims description 53
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于机器视觉的钢丝绳在线监测系统和方法，属于化学或物理分析领域，本发明提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息，在不影响钢丝绳使用状态的情况下，对钢丝绳图像进行采集并对图像进行处理分析，对钢丝绳的状态特性进行测定，并结合环境的影响因子对钢丝绳的使用状况和剩余寿命做出评估。
Description
技术领域
本发明属于化学或物理分析领域，具体的说是一种基于机器视觉的钢丝绳在线监测系统和方法。
背景技术
目前，目前国内提升钢丝绳监测的技术主要使用的是弱磁感应技术，分为永磁(磁通) 类仪器、漏磁类仪器以及这两种技术的合成，通过这两种监测原理对应监测输出的两路( LMA 和 LF) 钢丝绳监测信号，可以分析出钢丝绳损伤的性质，如断丝、磨损、锈蚀和变形，还可以定量分析断丝金属横截面积的减少量，不论是单独一种弱磁技术还是两种合成的技术，都受到工作环境和设备运行时的干扰，误报率非常高，使用人工监测，也加重了工作人员的负担，同时无法结合环境的影响因子对钢丝绳的使用状况和剩余寿命做出评估，现有技术中均存在上述问题；
例如在申请公开号为CN114778603A的中国专利中公开一种铸造起重机钢丝绳监测系统及方法，属于钢丝绳在线监测设备及方法技术领域。该发明的技术方案是：探伤传感器安装在靠近钢丝绳卷筒中心线，定滑轮组的第一根钢丝绳上，速度传感器包含接近开关和挡块，接近开关的连杆固定在钢丝绳定滑轮组一侧的支撑板上，使接近开关的监测点处于定滑轮组圆盘的切线上，挡块安装在定滑轮组的侧面；探伤传感器和接近开关与控制分站相连；控制分站与信号处理站相连。该发明的有益效果是：在线对钢丝绳的使用情况进行实时监控，对钢丝绳的断丝情况及断丝位置做出准确地判断及定位，最大限度的提高钢丝绳的有效监测长度，能够有效的避免因钢丝绳损坏而造成的事故，提高生产效率；
同时例如在授权公告号为CN106841381B的中国专利中公开了一种钢丝绳在线探伤监测系统、方法及矿用多绳摩擦提升系统，系统包括：探伤传感器、通讯模块和计算处理装置，探伤传感器设置在待检的钢丝绳周围，用于实时采集钢丝绳的缺陷信号；通讯模块用于对钢丝绳的缺陷信号进行转换，并传递给计算处理装置；计算处理装置用于从转换后的缺陷信号中提取故障特征值，并在预设的故障特征库查找与故障特征值对应的钢丝绳故障类别。该发明通过对探测钢丝绳的缺陷信号的转换和故障特征值的提取，再通过预设的故障特征库来查找故障特征值对应的钢丝绳故障类别，从而在对钢丝绳进行探伤的同时，还能够实现对钢丝绳的损伤类型进行准确判断，进而方便操作人员及时对故障进行排查和维修。
以上专利均存在本背景技术提出的问题：不论是单独一种弱磁技术还是两种合成的技术，都受到工作环境和设备运行时的干扰，误报率非常高，使用人工监测，也加重了工作人员的负担，同时无法结合环境的影响因子对钢丝绳的使用状况和剩余寿命做出评估，为了解决这些问题，本申请设计了一种基于机器视觉的钢丝绳在线监测系统和方法。
发明内容
针对现有技术的不足，本发明提出了一种基于机器视觉的钢丝绳在线监测系统和方法，本发明实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数，提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息，对钢丝绳使用时间进行准确预估。
为实现上述目的，本发明提供如下技术方案：
一种基于机器视觉的钢丝绳在线监测方法，其包括以下具体步骤：
S1、实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据；
S2、将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别；
S3、将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取；
S4、提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数；
S5、提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数；
S6、根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估；
S7、判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息。
具体的，所述S1的具体内容包括以下步骤：
S11、取待监测的钢丝绳，使用图像采集终端对钢丝绳进行实时图像拍摄，采集钢丝绳表面图像，同时根据天气采集终端对钢丝绳所在位置的天气温度、湿度数据进行采集；
S12、使用拉力采集终端对钢丝绳的吊运货物重量数据进行采集。
具体的，所述S2中特征识别策略的具体内容包括以下步骤：
S21、提取采集的钢丝绳表面图像数据进行图像的图像增强、图像分割和轮廓提取后进行钢丝绳轮廓图像的采集，这里需要说明的是，这里的钢丝绳图像分割轮廓提取通过设置像素梯度的方式进行，为常见的轮廓提取的现有技术，在此不详细赘述；
S22、将钢丝绳轮廓图像的表面断丝数量和腐蚀面积进行特征提取，这里的腐蚀面积的计算方式为：采集钢丝绳轮廓图像表面像素点的像素值，同时采集刚生产钢丝绳图像表面像素值的平均值，将钢丝绳轮廓图像表面像素点的像素值与刚生产钢丝绳图像表面像素值的平均值做差，将差值超过设定的像素差值阈值对应的像素点设为腐蚀点，取所有腐蚀点的构成的面积作为腐蚀面积，这里的断丝数量为钢丝绳边缘的断裂钢丝的数量。
具体的，所述S3的特征分析策略的具体步骤如下：
S31、提取钢丝绳轮廓图像的表面断丝数量和腐蚀面积，同时提取上次吊运后，钢丝绳轮廓图像的表面断丝数量和腐蚀面积；
S32、将腐蚀面积的像素点个数和腐蚀像素点的像素值代入腐蚀值计算公式中进行腐蚀值的计算，其中，腐蚀值计算公式为：/>，其中/>为腐蚀面积的像素点个数，/>为腐蚀面积中第i个像素点的像素值，/>为刚生产钢丝绳图像表面像素值的平均值；
S33、计算经过本次吊运后的腐蚀值的变化量和钢丝绳断丝数量的变化量；
S34、将本次吊运后的腐蚀值的变化量与设定的腐蚀值的变化阈值进行对比，同时将本次吊运后的断丝数量的变化量与设定的断丝数量的变化阈值进行对比，将变化量超过变化阈值的数据对应的特征设为异常特征。
具体的，所述S4的环境影响系数计算策略的具体步骤包括以下内容：
S41、提取钢丝绳异常特征随时间的变化曲线、天气温度和湿度数据随时间的变化曲线；
S42、取吊运货物总重量相差不超过百分之五的若干个货运场次，取其钢丝绳异常特征随时间的变化曲线、对应的货运场次中天气温度和湿度数据曲线；
S43、将对应的货运场次中天气温度和湿度数据曲线进行分离，取其中天气温度相同的货运场次集合，设为天气湿度影响场次集合，取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中天气湿度影响场次集合为：，其中/>的上标表示湿度，下标表示第i场次，/>即为第i场次的湿度，其中/>为天气湿度影响场次总数，i为1-/>中的任一项，其中，天气湿度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标表示天气湿度影响场次对应的异常特征，下标表示第i场次，/>即为表示天气湿度影响场次对应的第i场次的钢丝绳异常特征的变化量；
S44、将钢丝绳异常特征随时间的变化量集合和天气湿度影响场次集合进行无单位处理后代入天气湿度影响系数计算公式中计算天气湿度影响系数，其中天气湿度影响系数计算公式为：/>。
具体的，所述S4的环境影响系数计算策略的具体步骤还包括以下内容：：
S45、取经过S43分离的对应的货运场次中天气温度和湿度数据曲线，取其中天气湿度相同的货运场次集合，设为天气温度影响场次集合，取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中，天气温度影响场次集合为：，其中，/>的上标w为温度，下标j为第j场次，/>即为第j场次的温度，j为1-/>中任一项，/>为天气温度影响场次数量，其中，天气温度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标y1为表示天气温度影响场次对应的异常特征，下标j为第j场次，/>即为天气温度影响场次对应的第j场次的钢丝绳异常特征的变化量，将钢丝绳异常特征随时间的变化量集合和天气温度度影响场次集合进行无单位处理后代入天气温度影响系数计算公式中计算天气温度影响系数/>，其中天气温度影响系数计算公式为：。
具体的，所述S5的吊运货物影响系数计算策略的具体步骤包括以下内容：
S51、提取天气湿度和天气温度均相同的若干个货运场次，取货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合，其中，货物场次的吊运货物重量集合为，其中/>的上标z为吊运货物重量，下标a为第a场次，即为第a场次的货物重量，a为1-/>中任一项，/>为货物重量集合对应场次数量，货物重量集合对应场次异常特征随时间的变化量集合为/>，其中的上标y2为货物重量集合对应场次对应的异常特征，下标a为第a场次，/>即为第a场次的货物重量对应场次的钢丝绳异常特征的变化量；
S52、将货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合代入吊运货物影响系数计算公式中计算吊运货物影响系数，其中吊运货物影响系数计算公式为：/>。
具体的，所述S6的钢丝绳使用时间计算策略包括以下具体步骤：
S61、提取下周期天气温度、湿度数据和吊运货物重量数据，代入钢丝绳异常特征下周期变化量计算公式中进行钢丝绳异常特征下周期变化量的计算，钢丝绳异常特征下周期变化量计算公式为：/>，其中/>为上周期异常特征变化量，/>为下周期与上周期的湿度相差值，为下周期与上周期的温度相差值，/>为下周期与上周期的吊运质量相差值；
S62、提取钢丝绳异常特征的需更换数据，将异常特征下周期变化量/>、现时刻钢丝绳异常特征的整体变化量/>导入使用时间计算公式中计算钢丝绳剩余使用吊运时间周期，使用时间计算公式为，/>，求取公式中k的最小值即为剩余使用吊运时间周期。
一种基于机器视觉的钢丝绳在线监测系统，其基于上述一种基于机器视觉的钢丝绳在线监测方法实现，其具体包括：数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、控制模块和更换报警模块，所述数据提取模块用于实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，所述特征识别模块用于将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，所述异常特征提取模块用于将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，所述环境影响系数计算模块用于提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数。
具体的，所述控制模块用于控制数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、更换报警模块的运行，所述吊运货物影响系数计算模块用于提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，所述使用时间预估模块用于根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，所述时间判断模块用于判断钢丝绳使用时间是否大于等于设备的更换时间阈值，所述更换报警模块用于进行钢丝绳更换报警。
具体的，所述环境影响系数计算模块包括天气湿度影响系数计算单元和天气温度影响系数计算单元，所述天气湿度影响系数计算单元用于取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气湿度影响系数计算公式中计算天气湿度影响系数，所述天气温度影响系数计算单元用于取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气温度影响系数计算公式中计算天气温度影响系数。
具体的，一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于机器视觉的钢丝绳在线监测方法。
具体的，一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于机器视觉的钢丝绳在线监测方法。
与现有技术相比，本发明的有益效果是：
实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数，提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息，在不影响钢丝绳使用状态的情况下，对钢丝绳图像进行采集并对图像进行处理分析，对钢丝绳的状态特性进行测定，并结合环境的影响因子对钢丝绳的使用状况和剩余寿命做出评估。
附图说明
图1为本发明一种基于机器视觉的钢丝绳在线监测方法流程示意图；
图2为本发明一种基于机器视觉的钢丝绳在线监测方法S3步具体流程示意图；
图3为本发明一种基于机器视觉的钢丝绳在线监测系统整体构架示意图；
图4为本发明一种基于机器视觉的钢丝绳在线监测系统环境影响系数计算模块构架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图2，本发明提供的一种实施例：一种基于机器视觉的钢丝绳在线监测方法，其包括以下具体步骤：
S1、实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据；由于通过常识可知，吊机钢丝绳的寿命与以下几个因素有关：使用条件：吊机钢丝绳在恶劣的使用条件下，如高温、低温、潮湿、腐蚀等环境中使用，其寿命可能会大大缩短；负荷：吊机钢丝绳的寿命与其所搭载的重量和负荷频率有关。过重的负荷和频繁的超载会加速钢丝绳的磨损和疲劳破坏；
以下通过代码实现实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据:需要使用适当的传感器和外部设备，以下是一个简化的示例，演示如何采集这些数据的框架，请注意，实际实现需要根据硬件和传感器的具体情况进行适当的配置和编程。
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
// 模拟函数，用于采集钢丝绳表面图像数据
double captureImage() {
// 在此模拟采集图像数据的过程
return (double)rand() / RAND_MAX;
}
// 模拟函数，用于采集天气温度数据
double captureTemperature() {
// 在此模拟采集温度数据的过程
return 25.0 + ((double)rand() / RAND_MAX) * 10.0; // 温度范围在25°C到35°C之间
}
// 模拟函数，用于采集湿度数据
double captureHumidity() {
// 在此模拟采集湿度数据的过程
return 50.0 + ((double)rand() / RAND_MAX) * 20.0; // 湿度范围在50%到70%之间
}
// 模拟函数，用于采集钢丝绳的吊运货物重量数据
double captureWeight() {
// 在此模拟采集重量数据的过程
return 1000.0 + ((double)rand() / RAND_MAX) * 5000.0; // 货物重量范围在1000kg到6000kg之间
}
int main() {
srand(time(NULL)); // 初始化随机数生成器
while (1) {
// 模拟采集数据
double image = captureImage();
double temperature = captureTemperature();
double humidity = captureHumidity();
double weight = captureWeight();
// 打印采集的数据
printf("钢丝绳图像数据: %.2lf
", image);
printf("天气温度: %.2lf°C
", temperature);
printf("湿度: %.2lf%%\n", humidity);
printf("吊运货物重量: %.2lfkg
", weight);
// 在此可以将数据保存或进行其他处理
// 休眠一段时间，模拟实时采集
// 这里休眠时间可以根据需要进行调整
// 例如，休眠1秒：
// sleep(1);
}
return 0;
}
这个示例程序模拟了数据的采集过程，包括钢丝绳表面图像数据、天气温度、湿度以及吊运货物重量数据；
在本实施例中，S1的具体内容包括以下步骤：
S11、取待监测的钢丝绳，使用图像采集终端对钢丝绳进行实时图像拍摄，采集钢丝绳表面图像，同时根据天气采集终端对钢丝绳所在位置的天气温度、湿度数据进行采集；
S12、使用拉力采集终端对钢丝绳的吊运货物重量数据进行采集；
S2、将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别；
在本实施例中，S2中特征识别策略的具体内容包括以下步骤：
S21、提取采集的钢丝绳表面图像数据进行图像的图像增强、图像分割和轮廓提取后进行钢丝绳轮廓图像的采集，这里需要说明的是，这里的钢丝绳图像分割轮廓提取通过设置像素梯度的方式进行，为常见的轮廓提取的现有技术，在此不详细赘述；
S22、将钢丝绳轮廓图像的表面断丝数量和腐蚀面积进行特征提取，这里的腐蚀面积的计算方式为：采集钢丝绳轮廓图像表面像素点的像素值，同时采集刚生产钢丝绳图像表面像素值的平均值，将钢丝绳轮廓图像表面像素点的像素值与刚生产钢丝绳图像表面像素值的平均值做差，将差值超过设定的像素差值阈值对应的像素点设为腐蚀点，取所有腐蚀点的构成的面积作为腐蚀面积，这里的断丝数量为钢丝绳边缘的断裂钢丝的数量；
S3、将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取；
在本实施例中，S3的特征分析策略的具体步骤如下：
S31、提取钢丝绳轮廓图像的表面断丝数量和腐蚀面积，同时提取上次吊运后，钢丝绳轮廓图像的表面断丝数量和腐蚀面积；
S32、将腐蚀面积的像素点个数和腐蚀像素点的像素值代入腐蚀值计算公式中进行腐蚀值的计算，其中，腐蚀值计算公式为：/>，其中/>为腐蚀面积的像素点个数，/>为腐蚀面积中第i个像素点的像素值，/>为刚生产钢丝绳图像表面像素值的平均值；
S33、计算经过本次吊运后的腐蚀值的变化量和钢丝绳断丝数量的变化量；
S34、将本次吊运后的腐蚀值的变化量与设定的腐蚀值的变化阈值进行对比，同时将本次吊运后的断丝数量的变化量与设定的断丝数量的变化阈值进行对比，将变化量超过变化阈值的数据对应的特征设为异常特征；
S4、提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数；
在本实施例中，S4的环境影响系数计算策略的具体步骤包括以下内容：
S41、提取钢丝绳异常特征随时间的变化曲线、天气温度和湿度数据随时间的变化曲线；
S42、取吊运货物总重量相差不超过百分之五的若干个货运场次，取其钢丝绳异常特征随时间的变化曲线、对应的货运场次中天气温度和湿度数据曲线；
S43、将对应的货运场次中天气温度和湿度数据曲线进行分离，取其中天气温度相同的货运场次集合，设为天气湿度影响场次集合，取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中天气湿度影响场次集合为：，其中/>的上标表示湿度，下标表示第i场次，/>即为第i场次的湿度，其中/>为天气湿度影响场次总数，i为1-/>中的任一项，其中，天气湿度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标表示天气湿度影响场次对应的异常特征，下标表示第i场次，/>即为表示天气湿度影响场次对应的第i场次的钢丝绳异常特征的变化量；
S44、将钢丝绳异常特征随时间的变化量集合和天气湿度影响场次集合进行无单位处理后代入天气湿度影响系数计算公式中计算天气湿度影响系数，其中天气湿度影响系数计算公式为：/>；
S45、取经过S43分离的对应的货运场次中天气温度和湿度数据曲线，取其中天气湿度相同的货运场次集合，设为天气温度影响场次集合，取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中，天气温度影响场次集合为：，其中，/>的上标w为温度，下标j为第j场次，/>即为第j场次的温度，j为1-/>中任一项，/>为天气温度影响场次数量，其中，天气温度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标y1为表示天气温度影响场次对应的异常特征，下标j为第j场次，/>即为天气温度影响场次对应的第j场次的钢丝绳异常特征的变化量，将钢丝绳异常特征随时间的变化量集合和天气温度度影响场次集合进行无单位处理后代入天气温度影响系数计算公式中计算天气温度影响系数/>，其中天气温度影响系数计算公式为：/>；
S5、提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数；
在本实施例中，S5的吊运货物影响系数计算策略的具体步骤包括以下内容：
S51、提取天气湿度和天气温度均相同的若干个货运场次，取货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合，其中，货物场次的吊运货物重量集合为，其中/>的上标z为吊运货物重量，下标a为第a场次，即为第a场次的货物重量，a为1-/>中任一项，/>为货物重量集合对应场次数量，货物重量集合对应场次异常特征随时间的变化量集合为/>，其中的上标y2为货物重量集合对应场次对应的异常特征，下标a为第a场次，/>即为第a场次的货物重量对应场次的钢丝绳异常特征的变化量；
S52、将货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合代入吊运货物影响系数计算公式中计算吊运货物影响系数，其中吊运货物影响系数计算公式为：/>；
S6、根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估；
在本实施例中，S6的钢丝绳使用时间计算策略包括以下具体步骤：
S61、提取下周期天气温度、湿度数据和吊运货物重量数据，代入钢丝绳异常特征下周期变化量计算公式中进行钢丝绳异常特征下周期变化量的计算，钢丝绳异常特征下周期变化量计算公式为：，其中为上周期异常特征变化量，/>为下周期与上周期的湿度相差值，/>为下周期与上周期的温度相差值，/>为下周期与上周期的吊运质量相差值；
S62、提取钢丝绳异常特征的需更换数据，将异常特征下周期变化量/>、现时刻钢丝绳异常特征的整体变化量/>导入使用时间计算公式中计算钢丝绳剩余使用吊运时间周期，使用时间计算公式为，/>，求取公式中k的最小值即为剩余使用吊运时间周期；
S7、判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息。
在此需要说明的是，本发明实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数，提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息，在不影响钢丝绳使用状态的情况下，对钢丝绳图像进行采集并对图像进行处理分析，对钢丝绳的状态特性进行测定，并结合环境的影响因子对钢丝绳的使用状况和剩余寿命做出评估。
实施例2
如图3-图4所示，一种基于机器视觉的钢丝绳在线监测系统，其基于上述一种基于机器视觉的钢丝绳在线监测方法实现，其具体包括：数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、控制模块和更换报警模块，数据提取模块用于实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，特征识别模块用于将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，异常特征提取模块用于将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，环境影响系数计算模块用于提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数；
在本实施例中，控制模块用于控制数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、更换报警模块的运行，吊运货物影响系数计算模块用于提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，使用时间预估模块用于根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，时间判断模块用于判断钢丝绳使用时间是否大于等于设备的更换时间阈值，更换报警模块用于进行钢丝绳更换报警；
在本实施例中，环境影响系数计算模块包括天气湿度影响系数计算单元和天气温度影响系数计算单元，天气湿度影响系数计算单元用于取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气湿度影响系数计算公式中计算天气湿度影响系数，天气温度影响系数计算单元用于取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气温度影响系数计算公式中计算天气温度影响系数。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于机器视觉的钢丝绳在线监测方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于机器视觉的钢丝绳在线监测方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于机器视觉的钢丝绳在线监测方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (11)
1.一种基于机器视觉的钢丝绳在线监测方法，其特征在于，其包括以下具体步骤：
S1、实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据；
S2、将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别；
S3、将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取；
S4、提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数；
S5、提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数；
S6、根据下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估；
S7、判断钢丝绳使用时间是否大于等于设备的更换时间阈值，若是则不进行更换报警，若否则向用户反馈钢丝绳更换报警信息；
所述S3的特征分析策略的具体步骤如下：
S31、提取钢丝绳轮廓图像的表面断丝数量和腐蚀面积，同时提取上次吊运后，钢丝绳轮廓图像的表面断丝数量和腐蚀面积；
S32、将腐蚀面积的像素点个数和腐蚀像素点的像素值代入腐蚀值计算公式中进行腐蚀值的计算，其中，腐蚀值计算公式为：/>，其中/>为腐蚀面积的像素点个数，/>为腐蚀面积中第i个像素点的像素值，/>为刚生产钢丝绳图像表面像素值的平均值；
S33、计算经过本次吊运后的腐蚀值的变化量和钢丝绳断丝数量的变化量；
S34、将本次吊运后的腐蚀值的变化量与设定的腐蚀值的变化阈值进行对比，同时将本次吊运后的断丝数量的变化量与设定的断丝数量的变化阈值进行对比，将变化量超过变化阈值的数据对应的特征设为异常特征；
所述S2中特征识别策略的具体内容包括以下步骤：
S21、提取采集的钢丝绳表面图像数据进行图像的图像增强、图像分割和轮廓提取后进行钢丝绳轮廓图像的采集；
S22、将钢丝绳轮廓图像的表面断丝数量和腐蚀面积进行特征提取，所述腐蚀面积的计算方式为：采集钢丝绳轮廓图像表面像素点的像素值，同时采集刚生产钢丝绳图像表面像素值的平均值，将钢丝绳轮廓图像表面像素点的像素值与刚生产钢丝绳图像表面像素值的平均值做差，将差值超过设定的像素差值阈值对应的像素点设为腐蚀点，取所有腐蚀点的构成的面积作为腐蚀面积，所述断丝数量为钢丝绳边缘的断裂钢丝的数量。
2.如权利要求1所述的一种基于机器视觉的钢丝绳在线监测方法，其特征在于，所述S1的具体内容包括以下步骤：
S11、取待监测的钢丝绳，使用图像采集终端对钢丝绳进行实时图像拍摄，采集钢丝绳表面图像，同时使用天气采集终端对钢丝绳所在位置的天气温度、湿度数据进行采集；
S12、使用拉力采集终端对钢丝绳的吊运货物重量数据进行采集。
3.如权利要求2所述的一种基于机器视觉的钢丝绳在线监测方法，其特征在于，所述S4的环境影响系数计算策略的具体步骤包括以下内容：
S41、提取钢丝绳异常特征随时间的变化曲线、天气温度和湿度数据随时间的变化曲线；
S42、取吊运货物总重量相差不超过百分之五的若干个货运场次，取其钢丝绳异常特征随时间的变化曲线、对应的货运场次中天气温度和湿度数据曲线；
S43、将对应的货运场次中天气温度和湿度数据曲线进行分离，取其中天气温度相同的货运场次集合，设为天气湿度影响场次集合，取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中天气湿度影响场次集合为：，其中/>的上标表示湿度，下标表示第i场次，/>即为第i场次的湿度，其中/>为天气湿度影响场次总数，i为1-/>中的任一项，其中，天气湿度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标表示天气湿度影响场次对应的异常特征，下标表示第i场次，/>即为表示天气湿度影响场次对应的第i场次的钢丝绳异常特征的变化量；
S44、将钢丝绳异常特征随时间的变化量集合和天气湿度影响场次集合进行无单位处理后代入天气湿度影响系数计算公式中计算天气湿度影响系数，其中天气湿度影响系数计算公式为：/>。
4.如权利要求3所述的一种基于机器视觉的钢丝绳在线监测方法，其特征在于，所述S4的环境影响系数计算策略的具体步骤还包括以下内容：
S45、取经过S43分离的对应的货运场次中天气温度和湿度数据曲线，取其中天气湿度相同的货运场次集合，设为天气温度影响场次集合，取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，其中，天气温度影响场次集合为：，其中，/>的上标w为温度，下标j为第j场次，/>即为第j场次的温度，j为1-/>中任一项，/>为天气温度影响场次数量，其中，天气温度影响场次对应的钢丝绳异常特征随时间的变化量集合为：/>，其中/>的上标y1为表示天气温度影响场次对应的异常特征，下标j为第j场次，/>即为天气温度影响场次对应的第j场次的钢丝绳异常特征的变化量，将钢丝绳异常特征随时间的变化量集合和天气温度度影响场次集合进行无单位处理后代入天气温度影响系数计算公式中计算天气温度影响系数/>，其中天气温度影响系数计算公式为：/>。
5.如权利要求4所述的一种基于机器视觉的钢丝绳在线监测方法，其特征在于，所述S5的吊运货物影响系数计算策略的具体步骤包括以下内容：
S51、提取天气湿度和天气温度均相同的若干个货运场次，取货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合，其中，货物场次的吊运货物重量集合为，其中/>的上标z为吊运货物重量，下标a为第a场次，/>即为第a场次的货物重量，a为1-/>中任一项，/>为货物重量集合对应场次数量，货物重量集合对应场次异常特征随时间的变化量集合为/>，其中/>的上标y2为货物重量集合对应场次对应的异常特征，下标a为第a场次，/>即为第a场次的货物重量对应场次的钢丝绳异常特征的变化量；
S52、将货物场次的吊运货物重量集合及对应场次的钢丝绳异常特征随时间的变化量集合代入吊运货物影响系数计算公式中计算吊运货物影响系数，其中吊运货物影响系数计算公式为：/>。
6.如权利要求5所述的一种基于机器视觉的钢丝绳在线监测方法，其特征在于，所述S6的钢丝绳使用时间计算策略包括以下具体步骤：
S61、提取下周期天气温度、湿度数据和吊运货物重量数据，代入钢丝绳异常特征下周期变化量计算公式中进行钢丝绳异常特征下周期变化量的计算，钢丝绳异常特征下周期变化量计算公式为：，其中为上周期异常特征变化量，/>为下周期与上周期的湿度相差值，为下周期与上周期的温度相差值，/>为下周期与上周期的吊运质量相差值；
S62、提取钢丝绳异常特征的需更换数据，将异常特征下周期变化量/>、现时刻钢丝绳异常特征的整体变化量/>导入使用时间计算公式中计算钢丝绳剩余使用吊运时间周期，使用时间计算公式为，/>，求取公式中k的最小值即为剩余使用吊运时间周期。
7.一种基于机器视觉的钢丝绳在线监测系统，其基于如权利要求1-6中任一项所述的一种基于机器视觉的钢丝绳在线监测方法实现，其特征在于，其具体包括：数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、控制模块和更换报警模块，所述数据提取模块用于实时采集钢丝绳表面图像数据、天气温度、湿度数据和钢丝绳的吊运货物重量数据，所述特征识别模块用于将钢丝绳表面图像数据进行图像预处理后代入特征识别策略中进行钢丝绳表面特征的识别，所述异常特征提取模块用于将钢丝绳的表面特征提取，并将提取的钢丝绳的表面特征导入特征分析策略中进行异常特征的获取，所述环境影响系数计算模块用于提取钢丝绳异常特征变化曲线与天气温度、湿度数据导入环境影响系数计算策略中计算环境影响系数。
8.如权利要求7所述的一种基于机器视觉的钢丝绳在线监测系统，其特征在于，所述控制模块用于控制数据提取模块、特征识别模块、异常特征提取模块、环境影响系数计算模块、吊运货物影响系数计算模块、使用时间预估模块、时间判断模块、更换报警模块的运行，所述吊运货物影响系数计算模块用于提取钢丝绳异常特征变化曲线与吊运货物重量数据导入吊运货物影响系数计算策略中计算吊运货物影响系数，所述使用时间预估模块用于将下周期天气温度、湿度数据和钢丝绳的吊运货物重量数据代入钢丝绳使用时间计算策略中进行钢丝绳使用时间的预估，所述时间判断模块用于判断钢丝绳使用时间是否大于等于设备的更换时间阈值，所述更换报警模块用于进行钢丝绳更换报警。
9.如权利要求8所述的一种基于机器视觉的钢丝绳在线监测系统，其特征在于，所述环境影响系数计算模块包括天气湿度影响系数计算单元和天气温度影响系数计算单元，所述天气湿度影响系数计算单元用于提取天气湿度影响场次集合中的天气湿度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气湿度影响系数计算公式中计算天气湿度影响系数，所述天气温度影响系数计算单元用于提取天气温度影响场次集合中的天气温度变化量和与其对应的钢丝绳异常特征随时间的变化量，代入天气温度影响系数计算公式中计算天气温度影响系数。
10.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-6中任一项所述的一种基于机器视觉的钢丝绳在线监测方法。
11.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-6中任一项所述的一种基于机器视觉的钢丝绳在线监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515857.2A CN117237357B (zh) | 2023-11-15 | 2023-11-15 | 一种基于机器视觉的钢丝绳在线监测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515857.2A CN117237357B (zh) | 2023-11-15 | 2023-11-15 | 一种基于机器视觉的钢丝绳在线监测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237357A CN117237357A (zh) | 2023-12-15 |
| CN117237357B true CN117237357B (zh) | 2024-01-30 |
Family
ID=89086523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311515857.2A Active CN117237357B (zh) | 2023-11-15 | 2023-11-15 | 一种基于机器视觉的钢丝绳在线监测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237357B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279765A (zh) * | 2013-06-14 | 2013-09-04 | 重庆大学 | 基于图像匹配的钢丝绳表面损伤检测方法 |
| CN110930357A (zh) * | 2019-10-17 | 2020-03-27 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
| CN111847169A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引钢丝绳状态监测预警系统及方法 |
| EP3772702A2 (en) * | 2016-02-22 | 2021-02-10 | Rapiscan Systems, Inc. | Methods for processing radiographic images |
| CN114140384A (zh) * | 2021-10-26 | 2022-03-04 | 徐州煤矿安全设备制造有限公司 | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 |
| CN115205297A (zh) * | 2022-09-19 | 2022-10-18 | 汶上县金振机械制造有限公司 | 一种气动风动绞车的异常状态检测方法 |
| CN115374706A (zh) * | 2022-08-24 | 2022-11-22 | 广东好太太科技集团股份有限公司 | 晾衣机钢丝绳寿命预测方法、装置、控制系统和存储介质 |
| CN116047021A (zh) * | 2023-02-16 | 2023-05-02 | 合肥贵专电磁科技有限公司 | 一种基于人工智能的钢丝绳特征异常监测系统 |
| CN116046883A (zh) * | 2023-04-03 | 2023-05-02 | 南京市特种设备安全监督检验研究院 | 起重机钢丝绳漏磁-视觉多模态融合检测装置及方法 |
| CN116359327A (zh) * | 2023-03-11 | 2023-06-30 | 淮北矿业股份有限公司 | 一种基于人工智能的钢丝绳监测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
-
2023
- 2023-11-15 CN CN202311515857.2A patent/CN117237357B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279765A (zh) * | 2013-06-14 | 2013-09-04 | 重庆大学 | 基于图像匹配的钢丝绳表面损伤检测方法 |
| EP3772702A2 (en) * | 2016-02-22 | 2021-02-10 | Rapiscan Systems, Inc. | Methods for processing radiographic images |
| CN110930357A (zh) * | 2019-10-17 | 2020-03-27 | 中国矿业大学 | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 |
| CN111847169A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引钢丝绳状态监测预警系统及方法 |
| CN114140384A (zh) * | 2021-10-26 | 2022-03-04 | 徐州煤矿安全设备制造有限公司 | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 |
| CN115374706A (zh) * | 2022-08-24 | 2022-11-22 | 广东好太太科技集团股份有限公司 | 晾衣机钢丝绳寿命预测方法、装置、控制系统和存储介质 |
| CN115205297A (zh) * | 2022-09-19 | 2022-10-18 | 汶上县金振机械制造有限公司 | 一种气动风动绞车的异常状态检测方法 |
| CN116047021A (zh) * | 2023-02-16 | 2023-05-02 | 合肥贵专电磁科技有限公司 | 一种基于人工智能的钢丝绳特征异常监测系统 |
| CN116359327A (zh) * | 2023-03-11 | 2023-06-30 | 淮北矿业股份有限公司 | 一种基于人工智能的钢丝绳监测系统 |
| CN116046883A (zh) * | 2023-04-03 | 2023-05-02 | 南京市特种设备安全监督检验研究院 | 起重机钢丝绳漏磁-视觉多模态融合检测装置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种钢丝绳断丝无损定量检测方法;曹青松;刘丹;周继惠;周建民;;仪器仪表学报(第04期);全文 * |
| 我国钢丝绳安全现状及钢丝绳检测技术的创新;窦柏林;杨旭;缪康;;中国特种设备安全(第07期);全文 * |
| 钢丝绳在线自动监测系统研究;毕可仁;杨旭;刘峰;;建井技术(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237357A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN104535356B (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
| CN111862083B (zh) | 一种基于视觉-电磁检测的钢丝绳状态综合监测系统及方法 | |
| CN116839682B (zh) | 一种基于物联网的电缆加工制造实时监控系统 | |
| CN111160270B (zh) | 一种基于智能视频识别的桥梁监测方法 | |
| CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
| CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN115526515B (zh) | 一种水利水电用闸门的安全监测系统 | |
| CN114235825A (zh) | 一种基于计算机视觉的钢丝绳质量检测方法 | |
| CN109019210A (zh) | 基于卷积神经网络的提升系统尾绳健康监测系统及方法 | |
| CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
| CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置 | |
| CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
| CN116750648A (zh) | 一种基于数字孪生的起重机械工作监测系统及方法 | |
| CN117688480B (zh) | 一种基于损伤频率全景图与随机森林的桥梁损伤识别方法 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN117237357B (zh) | 一种基于机器视觉的钢丝绳在线监测系统和方法 | |
| CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
| CN116086677B (zh) | 一种多钢丝绳张力平衡监测方法、系统及电子设备 | |
| CN111259494B (zh) | 重机设备健康监测分析方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN117671578A (zh) | 一种外墙砖脱落预防系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |